神经网络和第一原则模型的集成,以优化l-乳酸分支聚合
Geetu P Paul1, Virivinti Nagajyothi1, Kishalay Mitra2
1Department of Chemical Engineering, National Institute of Technology, Tiruchirappalli, Tamil Nadu 620015, India.
本研究介绍了一种混合模型,将第一原则和人工神经网络结合起来,以实现可持续的分支聚酸生产. 该模型准确地预测了聚合物特性,优化了高效消费和可持续制造.
科学领域:
- 聚合物化学 聚合物化学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 对可持续材料的需求日益增长.
- 需要高效地生产分支聚酸 (PLA).
- 对于聚合过程的当前建模方法的局限性.
研究的目的:
- 为分支PLA生产开发一种新的混合建模方法.
- 将第一原则 (FP) 模型与人工神经网络 (ANN) 结合起来.
- 准确预测关键的聚合物特性和聚合化结果.
主要方法:
- 混合建模集成FP和ANN用于环开放聚合 (ROP).
- 训练ANN使用FP模型数据以获得最佳性能.
- 使用多目标优化 (MOO) 与NSGA-II进行验证.
主要成果:
- 通过20个神经元的隐藏层 (RMSE=0.004,R2=0.99) 实现了最佳的ANN性能.
- 准确预测分子重量 (Mn,Mw),PDI,DB,单体转化和聚合时间.
- 在多个分支的PLA组合中,FP模型和混合ANN之间有很强的一致性.
结论:
- 混合FP-ANN模型对于预测分支PLA聚合结果是有效的.
- 这种方法支持高效消费和可持续生产的分支PLA.
- 该模型为优化聚合物合成和材料设计提供了有价值的工具.
更多相关视频
11:17Synthesis of Programmable Main-chain Liquid-crystalline Elastomers Using a Two-stage Thiol-acrylate Reaction
Published on: January 19, 2016
11:42Synthesis of Monodisperse Cylindrical Nanoparticles via Crystallization-driven Self-assembly of Biodegradable Block Copolymers
Published on: June 20, 2019
相关概念视频
Anionic Chain-Growth Polymerization: Overview
Anionic Chain-Growth Polymerization: Mechanism
Step-Growth Polymerization: Overview
Many natural and synthetic polymers are produced by...
Radical Chain-Growth Polymerization: Chain Branching
Polymer Classification: Architecture
Cationic Chain-Growth Polymerization: Mechanism
